当前,智慧化智能化席卷全球,而随着无人机和高分卫星技术的蓬勃发展,从高分数据获取光谱和空间深度特征,采用机器学习算法实现森林资源遥感信息提取和生物量智能估算越来越受到重视。以深度卷积神经网络(Convolutional Neural Networks,CNN)为代表的智能机器学习算法通过大量数据来训练模型,使得它在遥感图像信息提取、参数反演以及各种感知数据的综合分析等方面拥有更多智能化特征,为森林资源智能监测提供了新途径。亚热带森林尤其是竹林具有重要的碳汇功能。然而,亚热带森林组成复杂,即使空间分辨率卫星遥感影像也难精确识别单株树种;另一方面,森林地上生物量(Above ground biomass,AGB)与森林生产力、生态系统碳汇功能直接相关,精确估算AGB一直是人们关注的重点。高空间分辨率遥感影像(Very High Resolution Remote Sensing,VHRRS)为AGB高精度估算提供了精细的空间数据支持,然而,如何量化空间信息与AGB关系及获得大量样本实现AGB智能估算面临诸多问题。本研究采用World View-2高分遥感数据,以浙江省杭州市临安区太湖源镇雷竹林为研究对象,研究基于深度学习的雷竹林高分遥感智能监测方法,主要包括以下内容:1、基于深度CNN的雷竹林高分遥感信息提取方法研究。主要包括:(1)基于光谱信息的CNN雷竹林遥感信息提取,并与随机森林(Random forest,RF)进行对比,(2)基于灰度共生矩阵(Grey Level Co-occurrence Matrix,GLCM)纹理、植被指数(Vegetation Indices,VIs)等信息的CNN雷竹林遥感信息提取,并与随机森林分类精度进行对比,(3)CNN结合RF的雷竹林分类。2、基于深度CNN的雷竹林AGB估算方法研究。主要包括:(1)分析光谱、VIs,GLCM和ESDA(Exploratory Spatial Data Analysis)纹理在高分影像AGB智能估算中的贡献;(2)构建基于深度CNN的雷竹AGB估算模型,并与RF、支持向量机(Support Vector Machine,SVM)、传统人工神经网络(Artificial Neural Network,ANN)等其他机器学习算法AGB估算结果进行对比,探讨深度CNN在森林AGB智能估算中应用潜力。通过研究,主要得到以下结论:1、基于深度CNN实现了雷竹林高分遥感信息精准智能度提取,雷竹的精度总体精度(Overall Accuracy,OA)为0.942,Kappa系数(Kappa co-efficiency,Kappa)为0.922。另外,CNN与RF耦合是雷竹林信息提取精度提高到OA=0.991,Kappa=0.990。通过分析,NIR波段的GLCM纹理以及植被指数变量具有较高的变量重要性,而GLCM纹理中,纹理窗口为13的纹理具有较高的变量重要性。2、研究表明,以光谱信息为输入,当窗口大小为13时,所构建的深度CNN能够实现雷竹林AGB高精度估算,R~2为0.943,误差较小,RMSE和RMSEr分别为0.274 Kg/m~2和23.1%。这一结果比基于传统ANN的AGB估算精度(R~2为0.885)提高6个百分点左右。尽管基于GLCM纹理和所有组合特征的RF模型雷竹林AGB估算精度(R~2在0.97左右)比CNN高,但CNN仅采用光谱作为模型输入,在模型运行过程中自动实现高表达能力、抽象化空间纹理计算并参与AGB估算,使得AGB估算更智能,节约了大量人力,并且具有较高较好的精度。并且如今深度学习领域快速发展,CNN在森林AGB高精度智能估算中具有巨大的潜力。